数据量都不够吧，就算训练出来也很难作为主体，医生又不追求什么效率，况且看到隔壁写代码的现状，傻子才想配合你。
这种行业 对 AI 要求很高吧，企业也没啥把握让 AI 直接入场试错吧
有没有可能是医院医生不愿意分利益 不跟AI公司合作分享数据
ai阅片只是参考，目前在很多视觉相关的专业领域的精度还是不足的。
主要有两种问题1. 数据不足，数据不足主要有两方面原因，首先是隐私问题，医院的治疗内容和检测内容都是非常隐私的东西，必须患者许可，否则存在侵犯隐私的问题。然后是阅片数据不足，绝大多数阅片，都是以口头/纸质记录为主，很少会将核心思路记在电脑上（档案里的很多医疗概念都是非常抽象的，且绝大多数都是护士整理）。
2. 动力不足，想要获取数据，只能通过医院，但是医院没有动力引入ai，在改变的过程中，医院本身的利益是受损的。
因为模型没有做原生多模态输入说是
你都有患者拿豆包，这个放出去更加不得了了
我觉得跟好药能救人但是不能赚钱一样的道理，治病不能把人一下治好了，否则怎么赚钱
现在也有使用视觉模型去查看 dicom 图像的研究了，但是还在比较初级的阶段，相比原始的检测算法还有不少差距。
写过PACS平台，dicom其实就是一些病人信息，机器图像参数加图片而已 
1 个赞
只是参考 快读解决一些在模型或者知识库已有的案例。 另外现在医院电子化目前还没有那么完善 再加上利益问题 除非国家层面进行无纸化推动。不然很难。商业化那也只能是国家来推动。
gpt可以，直接网页上传dicom文件，它会调用py做图像分析
有技术到商用还有很长一段路要走，创新药也要等走完三期临床
医院影像科不都是采用ai阅片，你可以理解为进入一期临床，距离完全开放给普通人使用至少还要经历二期 三期临床才可以
工业CT的dicom文件有AI工具可以分析吗，dragonfly之类的软件在金属异物分析方面有明显不足。
不知道佬有没有关注过四月份的一个研究呢？大语言模型的视觉能力其实很糟糕，主要还是对文本进行推理。
摘自环球科学科研圈日报：
美国斯坦福大学李飞飞团队近日在预印本平台 arXiv 上发布最新论文（尚未经过同行评审），指出当前顶级多模态模型，包括 GPT-5.1、Gemini-3-Pro 和 Claude Opus 4.5，在视觉任务中存在严重的“幻影”（Mirage）。研究发现，即便不输入任何图片，这些大模型依然能以极其自信的语气描述不存在的视觉细节，并在基准测试中取得高分。这种现象揭示了 AI 并非真正“看懂”了图像，而是在利用强大的文本推理能力进行“脑补”。这意味着，在医疗等高风险领域，AI 很可能是在无图状态下给出病理诊断的，容易引发严重的误诊风险。
研究发现，在无图像条件下，这些模型在主流视觉基准测试上的准确率仍然保留了 70% 至 80%。换句话说，图片的实际贡献度仅有 20% 到 30%，其余全靠文本推理“猜”出来的。 更令人惊讶的是，研究团队训练的一个 30 亿参数的纯文本小模型，在胸部 X 光问答考试中击败了顶级多模态大模型以及人类放射科医生。这表明 AI 大模型可能根本没看图，挑战了我们之前以为 AI 在"看" X 光片的认知。为此，团队提出了全新的 B-Clean 评估框架，通过识别并剔除模型无需图像即可答对的问题，使视觉基准测试中真正需要看图才能作答的问题仅剩 23%-26%。这项研究呼吁 AI 评估不再单纯追求高分，而是确保机器的“思考”确实源于“观察”。（Futurism.com）
1 个赞
因为假阳性和假阴性要付出的代价都非常大，没事还好花点钱而已，误诊了那就真的要被骂娘了（没有实体的人背书，难道拿采购AI的签字人背书吗）
其实不是这么回事。佬所感知的“AI能力这么强“这句话其实并不正确。
你看到的是AI在广泛的领域有智力，但实际上这种广泛领域的学习会造成比较糟糕的影响。
也就是学习的内容会相互干扰，形成幻觉。
所以对于这样的领域，我们目前的做法是专项训练大模型，使其只针对专症进行治疗。
这些领域包括医疗、工业以及其他一些专项领域。用LLM的训练方法代替原有的机器学习，但只做针对性的训练。
然而这就会使使用门槛大大抬高。比如需要医生的初筛，然后再用模型进行推理等。
那么为了避免这样的问题，目前大模型厂商大多主动关闭和拦截医疗需求
稍微做了点相关方面的研究，只能说这玩意目前区区1m/10m的上下文完全不够用。
法律主体资格缺失、容错率极低以及技术固有缺陷。
涉及人类生命安全的行业一般来说，不会特别激进的使用AI
昨天还说想用ai看下影像对比。 都说要dicom文件。 这个dicom文件在哪弄，去医院申请吗？ 下载下来只有jpg png
就我知道的，18年就有类似的项目了，关键词“coolwulf ai 乳腺癌”